何　鵬，王雅琳，謝永芳，桂衛華
中南大學信息科學與工程學院，湖南長沙

摘　　　要：針對預測氧化鋁返料成分時間序列的較小二乘支持向量機ＬＳＳＶＭ模型，為提高模型預測精度，首先采用相對誤差改進ＬＳＳＶＭ的優化泛函，推出新型的ＬＳＳＶＭ模型；接著，采用新穎的漢默斯里序列抽樣技術ＨＳＳ在ＳＶＭ模型參數空間中均勻地抽取出初始的參數向量；較后通過鮑威爾（Ｐｏｗｅｌｌ）優化算法并行求得全局較優模型參數。通過實際工業生產數據仿真，驗證了方法的可行性和有效性，模型預測精度得到有效提高。

關　鍵　詞：較小二乘支持向量機；參數優化選取；氧化鋁返料；鮑威爾算法；抽樣近似

１　引　言
燒結氧化鋁生產包括配料、燒結、溶出、脫硅、分解和煅燒６個工序。配料目的是配制生料漿提供給熟料燒結過程，所需原料除來自不同礦源的鋁土礦、石灰、堿粉、煤等固體物料，還包括從脫硅和碳酸化分解工序返回的混合漿料（簡稱，返料）。返料受后續生產過程的影響，成分含量常大幅度頻繁波動。由于返料成分實時在線檢測困難，根據滯后的返料離線分析結果調整原料配比，造成下料配比不準確，生料漿指標波動大，較終影響氧化鋁的質量和產量。因此，實現返料成分含量的實時預測，對指導配比計算、控制生料漿質量和穩定生產有著非常重要的意義。根據可獲得氧化鋁返料時序數據，文獻［１］先通過粗糙集約簡廣義重構相空間，然后采用ＬＳＳＶＭ建立了其時序的實時預測模型。基于廣義相空間重構的ＬＳＳＶＭ模型盡管獲得了一定的返料成分含量預測精度，但還有待進一步提高，特別是對于一些相對預測誤差較大的情況。ＳＶＭ是一種基于統計學習理論的新型機器學習方法，它通過核函數將低維空間不可分問題轉化為高維空間可分的問題予以處理。ＳＶＭ具有優良的學習和泛化能力，能有效避免過學習、局部極小點以及“維數災難”等問題［２］，已在文本分類、圖像識別、函數估計、非線性建模等領域廣泛應用。ＳＶＭ的性能很大程度決定于ＳＶＭ的參數，參數值的細微變化可能會造成ＳＶＭ學習能力和推廣能力的巨大變化。為獲得期望的分類正確率或回歸準確率，專家學者們提出了各種參數優選的方法［３�玻福荩�并在實際工業過程中得到應用［９�玻保保荨�從參數優選的角度出發，本文首先采用相對誤差改進ＬＳＳＶＭ的泛化函數，建立新型的ＬＳＳＶＭ模型；接著，提出基于漢默斯里序列抽樣技術ＨＳＳ的并行鮑威爾Ｐｏｗｅｌｌ優化算法優選該ＬＳＳＶＭ的模型參數，達到進一步提高返料成分時序預測模型預測精度的目的。工業應用實例的仿真結果驗證了模型的有效性。

登錄網站后可下載文件